facoltà di ingegneria
Dipartimento di Elettronica e
Telecomunicazioni
curriculum progettazione elettronica
Tesi triennale
Candidato:
Relatori:
14/04/2010
Introduzione
3
4
ria).
La localizzazione può avvenire nel momento in cui è possibile associare
ad ogni direzione di arrivo (Direction Of Arrival, DOA) di segnale un
set di parametri univoco (o, almeno, il meno ripetibile possibile). Ideal-
mente, quindi, per la localizzazione potrebbe essere sufficiente una unica
antenna con caratteristiche radiative univoche per ciascuna direzione di
arrivo possibile: essendo però estremamente complicato garantire tale
precisione progettuale fisica, si cerca di aumentare la cardinalità dello
spazio dei dati mettendo “a sistema” più elementi fisici simili. Per questo
generalmente è richiesto l’utilizzo di più antenne riceventi, in maniera
tale da poter associare, ad ogni DOA, un unico set di parametri con una
quantità maggiore di gradi di libertà e, di conseguenza, ridurre la possi-
bilità di equivocazioni.
Se, comunque, tutto questo appare immediato da un punto di vista con-
cettuale, va tenuto presente che la localizzazione avviene per “associ-
azione”, ipotizzando la DOA effettiva scegliendo quella che dovrebbe resti-
tuire un set di dati il più simile possibile a quello rilevato: nel momento in
cui si parla di rilevazione, il procedimento “ideale” si scontra con le limi-
tazioni fisiche di varia natura dovute alla realtà dei dispositivi in uso (par-
tendo dai più semplici problemi di “misura” per arrivare alla presenza di
ovvi segnali di disturbo o ad altre cause generanti rumore, nell’insieme
da trattare come cause aleatorie e, quindi, non prevedibili). Fondamental-
mente, è solo per queste ultime cause che si sono avvicendati, nel tempo,
vari algoritmi di elaborazione dei dati rilevati, con l’obiettivo di garantire
una risoluzione maggiore in termini spaziali (quindi, errori minori nelle
localizzazioni).
Studi di Firenze . Per essa verranno evidenziati alcuni dei vantaggi ap-
portati nel passare dall’utilizzo dell’algoritmo MUSIC solamente su dati
rilevati di potenza media ricevuta dalle singole antenne ad un utilizzo
combinato di dati di potenza e di ritardo relativo di segnale tra i differ-
enti ricevitori.
Ringraziamenti
7
8
1 L’algoritmo MUSIC 1
1.1 Analisi concettuale . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Introduzione alla natura matematica . . . . . . . . . . . . . . 6
1.2.1 Cenni alla tecnica SVD . . . . . . . . . . . . . . . . . . 16
i
ii CONTENTS
1
2 CHAPTER 1. L’ALGORITMO MUSIC
H
pm (θ, φ) = ||U N · a(θ, φ)|| (1.1)
e, tracciata, nel caso di studio assume l’aspetto in figura 1.2, dove è pos-
sibile notare l’assenza della zona di depressione precedente.
1 ||a(θ, φ)||
Pm (θ, φ) = H ·a( θ,φ )||
= H · a( θ, φ )||
(1.3)
||U N ||U N
||a(θ,φ)||
nella scrittura, i vettori a . . . z non sono altro che gli steering vectors es-
plicitati nel precedente paragrafo.
La scrittura 1.6 è fondamentalmente utile solo per chiarire il concetto di
steering vector: per i passaggi della elaborazione si rifarà riferimento alla
forma illustrata in 1.4.
Per la formazione degli spazi vettoriali, è consigliabile scegliere una ma-
trice di base per la elaborazione che permetta di arrivare con il minimo
numero di operazioni ad estrarre il set di parametri di segnale (ovvero,
lo steering vector associato a quest’ultimo): una possibile scelta consiste
nella matrice delle crosscorrelazioni R .
xi ( t ) = ai · s ( t ) (1.8)
con ai = ai (θ, φ) guadagno antenna i-esima per DOA θ, φ rispetto all’array
1.2. INTRODUZIONE ALLA NATURA MATEMATICA 9
risulterà essere
R · a = λ a · a = P · ||a||2 · a
per definizione di autovettore, considerando il coefficiente P della matrice
xi ( t ) = ai s ( t ) + ni ( t ) (1.13)
= RS + R N
p = R · a = RS · a + R N · a = (1.16)
= P · ||a||2 · a + N · a = P · ||a||2 + N ·a
| {z }
λ
L
a·b = ∑ (ai · bi∗ ) (1.18)
i =1
b1 bL
a1 a1 a1
b2 b L −1
a2
a2 a2
a= b= . c= (1.20)
..
..
..
. .
aL bL b1
aL aL
1.2. INTRODUZIONE ALLA NATURA MATEMATICA 13
b1
#
bL
a · b = a1 · a1 + . . . + aL · aL = b1 + . . . + bL
bL b1 ⇒ a·b = a·c
a · c = a1 · a1 + . . . + aL · aL = bL + . . . + b1
= P1 · .. ..
+ . . . + PM · + RN
. .
a L a1∗ . . . a L a∗L z L z1∗ . . . z L z∗L
delle DOA di arrivo (chiamato in seguito sottospazio dei segnali) e uno che
copre ciò che è rimasto “escluso” dal primo gruppo.
Una definizione così è decisamente poco rigorosa, ma coglie a pieno il
significato: matematicamente, considerando che la matrice R definisce
uno spazio vettoriale completo di dimensione L pari alla dimensione dei
singoli steering vectors, si è sicuri che tutti gli steering vectors possibili
per l’array apparterranno allo spazio.
Dato che il sottospazio caratterizzato dagli M generatori contiene solo
combinazioni lineari degli steering vectors corrispondenti alle M DOA in
ingresso, supponendo di non costruire un array tale da presentare DOA
terze con steering vectors pari a combinazioni lineari di altri steering
vectors (ipotesi fattibile, considerando l’estrema variabilità nella proget-
tazione dei dispositivi), nel sottospazio complementare saranno obbliga-
toriamente contenuti tutti gli steering vectors precalcolati NON corrispondenti
alle DOA di segnale o meglio corrispondenti alle DOA su cui si hanno segnali
nulli: per questo motivo, al secondo sottospazio viene assegnato il nome
di sottospazio dei segnali nulli.
Dalla analisi lineare si ricorda che un qualsiasi spazio vettoriale può es-
sere definito attraverso una base contenente tutti i suoi autovettori : è
necessario quindi individuare gli autovettori caratterizzanti e riuscire a
suddividerli tra i due sottospazi fondamentali.
In un caso ideale supponiamo che steering vectors per DOA differenti
risultino tra loro ortogonali, e sapendo che i vettori a . . . z sono autovet-
tori della R andiamo a cercare gli autovalori ad essi associati. Ad es-
empio, cerchiamo l’autovalore associato all’autovettore a (steering vector
DOA segnale 1):
2
R · a = RS1 · a +
RS2 · a + . . . +
RSM · a + R N · a = ( P1 · ||a|| + N ) · a (1.22)
R·v =
RS1 · v +
R
S2 · v + . . . +
RSM · v + R N · v = N · v
(1.24)
dove tutti i termini barrati sono stati eliminati grazie alla condizione so-
pracitata di ortogonalità tra steering vectors. Riepilogando, gli autovalori
risultano essere:
Pi · ||vi ||2 + N
con i ∈ [1 . . . M ]
λi = (1.25)
N con i ∈ [ M + 1 . . . L]
A = U · Λ · UH (1.26)
U1∗
λ1 0 00
0 λ2 00 U2∗
A = hU1 |U2 | . . . |U L i · · = (1.28)
.. ..
. .
0 0 0 λL U∗L
1.2. INTRODUZIONE ALLA NATURA MATEMATICA 17
∗ ∗ ∗
U11 U21 . . . UL1 λ1 0 0 0 U11 U12 . . . U1L
U U∗ U∗ . . . U∗
12 U22 . . . UL2
0 λ2 0 0
21 22 2L
= · ·
.. .. ..
. . .
U1L U2L . . . ULL 0 0 0 λL U ∗ UL2∗ ∗
. . . ULL
| {z } | {z L1 }
(1) (2)
∗ ∗ ∗
λi · Ui1 · Ui1 λi · Ui1 · Ui2 . . . λi · Ui1 · UiL
L λ · U · U∗ ∗ ∗
i i2 λ i · U i2 · U . . . λ i · Ui2 · U
= ∑ i1
.
i2 iL
=
..
i =1
∗ ∗ ∗
λi · UiL · Ui1 λi · UiL · Ui2 . . . λi · UiL · UiL
| {z }
λi ·(Ui ·UiH )
L
= ∑ λ i · Ui · Ui H
con Ui autovettore i-esimo della matrice
i =1
Ui UH
Ui = ||Ui || · ⇒ UiH = ||Ui || · i (1.30)
||Ui || ||Ui ||
18 CHAPTER 1. L’ALGORITMO MUSIC
L
2 Ui UiH
A= ∑ | i {zi } ||Ui || ||Ui || =
λ || U || (1.31)
i =1
Ci | {z } | {z }
ui uiH
= C1 u1 · u1H + . . . + CL u L · u LH
M = A+B+C =
2 H 2 H 2 H
= λ A ||U A || u A · u A + λ B ||UB || uB · uB + λC ||U A || uC · uC
(1.32)
19
20CHAPTER 2. IMPLEMENTAZIONE MUSIC CON CAMPIONAMENTO
R = US · ΛS · USH + U N · Λ N · U N
H
(2.1)
| {z } | {z }
RS RN
suo valore massimo, pari allo scarto quadratico di segnale (o, più sem-
plicemente, alla sua potenza): tutti gli elementi di RS corrisponderanno
quindi a P · ai · a∗j , con il risultato che segue.
∗
} = ai · a∗j · E{s (nTC + γi ) · s∗ nTC + γ j }
E{ xsi · xsj (2.10)
| {z }
6= P
24CHAPTER 2. IMPLEMENTAZIONE MUSIC CON CAMPIONAMENTO
∗
E{ xsi · xsj } = ai · a∗j · E{s (nTC ) · s∗ (nTC + γ)} (2.11)
con s(t) = A · sin (2π f · t) = A · sin (ωt)
1
Z T0
(∗) = · sin (ωt) · sin (ω (t + γ)) = (2.13)
T0 0
Z T0
1
= · sin (ωt) · [sin (ωt) · cos (ωγ) + cos (ωt) · sin (ωγ)] ∂t =
T0 0
1 2π
= . . . = · cos( · γ) Autocorrelazione di una sinusoide
2 T0
A2 2π
RSij = ai a∗j cos( · γij ) = ai a∗j · P · Kij (2.14)
2
|{z} T0
P
26CHAPTER 2. IMPLEMENTAZIONE MUSIC CON CAMPIONAMENTO
Giusto per dare un’idea, si consideri il caso in cui RS resti di rango unico.
2.1. IMPLEMENTAZIONE A SINGOLO CAMPIONATORE 27
det (RS − λI) = 0 ⇒ λ1 = P · (K11 · a1 a1∗ + K22 · a2 a2∗ + K33 · a3 a3∗ ) (2.15)
gli altri due autovalori risultano anche qui nulli (la matrice ha conservato
il rango). L’autovettore corrispondente sarà v tale da risolvere il sistema
lineare:
c1 a1
Cerchiamo soluzioni nella forma v = c2 a2 .
c3 a3
Sostituendo e risolvendo il sistema lineare, si ottengono le successive 3
equazioni (con ai = ai (θ ) ):
" #
K13 | a3 |2 (K11 | a1 |2 + K33 | a3 |2 ) + K23 K12 | a3 |2 | a2 |2
c1 = 2 | a |2 | a |2
(K11 | a1 |2 + K33 | a3 |2 )(K12 | a2 |2 + K33 | a3 |2 ) − K12 1 2
" #
(K12 | a2 |2 + K33 | a3 |2 )K23 | a3 |2 + K12 K13 | a1 |2 | a3 |2
c2 = 2 | a |2 | a |2
(K11 | a1 |2 + K33 | a3 |2 )(K12 | a2 |2 + K33 | a3 |2 ) − K12 1 2
c3 = 1 (2.17)
c1 ( θ ) · a1 ( θ )
v = c2 ( θ ) · a2 ( θ ) (2.18)
c3 ( θ ) · a3 ( θ )
Nel caso esista uno steering vector a (θ N ) proporzionale al vettore
v l’algoritmo MUSIC identificherà θ N come DOA: in caso contrario la
DOA rilevata sarà imprevedibile e dipendente dal rumore in ingresso e
dalla struttura del sottospazio di rumore (che condizionerà le proiezioni).
Dalla figura 2.2 è possibile osservare che i termini Kij evidenziati prima
restano prossimi all’unità se si mantiene lo scarto temporale tra le due se-
quenze (ovvero il termine γ ) entro un raggio di 0.05T0 intorno a multipli
del periodo (valore approssimato, tale da mantenere le crosscorrelazioni
entro il 95% del loro massimo).
Considerando la natura periodica della forma d’onda, eventuali ritardi
2.1. IMPLEMENTAZIONE A SINGOLO CAMPIONATORE 29
tempi intercorrenti tra gli inizi dei campionamenti sulle antenne, è pos-
sibile affermare che il ritardo nella coppia di antenne più lontana (ad
esempio, l’ultima e la prima) corrisponderà alla somma dei ritardi tra le
coppie di antenne vicine, come evidenziato nella 2.21.
γ1L = ( L − 1) · [( NC − 1) TC + TR ] (2.22)
TRp = TR − TS − TC (2.25)
Nel grafo 2.4 è mostrato il metodo “in azione”: da notare che le sequenze
elaborate nella crosscorrelazione (zona destra) risultano molto diverse dal
segnale effettivo, ma tra loro correlabili. Grazie alla applicazione del cri-
terio risultano anche quasi “in fase”, partendo da segnali sulle antenne
contemporanei (quindi, gli sfasamenti fisici vengono conservati).
Metodo a “scala”
velocemente possibile, tale da minimizzare il ritardo tra gli inizi delle se-
quenze di campionamento, incastrate tra loro a “pettine”: il tempo tra un
campione e l’altro sulla stessa antenna equivarrà al tempo necessario ad
un ciclo completo.
Tra un campione e il campione della antenna successiva corre il tempo
TSe f f = TC + TS (2.26)
Per poter valutare quale sia il massimo ritardo ammissibile per mantenere
le crosscorrelazioni “corrette” (se segnali in fase, al minimo devono valere
0.95), va considerato che nel grafo 2.2 sull’ascissa è specificato il rapporto
tra ritardo di inizio dei campionamenti e periodo di segnale.
Sicuramente, se si mantiene il valore γmax sotto il valore di 0.05T0 (osservare
il grafo 2.2), le sequenze tra antenne più distanti si potranno considerare
prese “in fase” e, a maggior ragione, anche le sequenze prese tra antenne
più vicine in ordine di switching.
Il parametro variabile di progetto sarà solamente il tempo di campiona-
mento TC : dimensionabile come si vede in 2.30 tenendo presente che,
stavolta, non sarà necessario considerare la periodicità della funzione di
crosscorrelazione (prima di attraversare un periodo, preleverei sequenze
fuori dallo sfasamento massimo permesso).
γmax ≤ 0.05T0
γmax = ( L − 1) · ( TC + TS )
( L − 1) · ( TC + TS ) ≤ 0.05T0
...
0.05T0
TC ≤ − TS (2.30)
L−1
Può essere una buona idea anche cercare di rispettare il limite di Shannon
per il campionamento (2.31), quindi si aggiunge una seconda condizione
da porre a sistema:
T0
TCe f f ≤ (2.31)
2
2.1. IMPLEMENTAZIONE A SINGOLO CAMPIONATORE 35
T0
L( TC + TS ) ≤
2
...
T0
TC ≤ − TS (2.32)
2L
f (t) = A sin (w1 t) − B cos (w1 t) + C sin (w2 t) − D cos (w2 t) (2.35)
più alto tra i segnali in uso, per garantire la validità dei campionamenti
in presenza di qualsiasi frequenza tra quelle possibili. Nella scelta del
periodo di campionamento da rispettare (limite di Shannon) andrà con-
siderato invece il segnale a frequenza massima (T0 minimo).
Come ultimo accorgimento, va ricordato che il valore Tγ0 limite posto nelle
condizioni 2.24 e 2.30 a 0.05T0 andrà sostituito con il valore limite entro
cui la autocorrelazione della “peggiore” sequenza in ricezione (la somma
di tutte le sinusoidi ammesse) resti sopra la soglia del 95%. Sopra la
soglia, le crosscorrelazioni tra sequenze campionate con campionamenti
indipendenti e continui e le crosscorrelazioni tra sequenze ottenute me-
diante “switching” saranno diverse a meno di un 5%.
x i ( t ) = a i ( θ1 ) · s1 ( t ) + a i ( θ2 ) · s2 ( t ) + n i ( t )
x j ( t ) = a j ( θ1 ) · s1 ( t ) + a j ( θ2 ) · s2 ( t ) + n j ( t )
a i = a i ( θ1 ) bi = a i ( θ 2 ) (2.40)
e la fase relativa aggiunta dalle singole antenne nella ricezione del segnale
verrà accorpata al guadagno della antenna stessa.
Adesso calcoliamo la matrice R delle crosscorrelazioni (come in 1.2) si
ottiene:
R = E{ x2 (t) x1∗ (t)} E{ x2 (t) x2∗ (t)} E{ x2 (t) x3∗ (t)} (2.41)
∗ ∗ ∗
E{ x3 (t) x1 (t)} E{ x3 (t) x2 (t)} E{ x3 (t) x3 (t)}
... =
= ai a∗j · E{s1 (t) · s1 (t)} + ai b∗j · E{s1 (t) · s2 (t)}+
+ bi a∗j · E{s2 (t) · s1 (t)} + bi b∗j · E{s2 (t) · s2 (t)} =
= ai a∗j · E{s21 (t)} + bi b∗j · E{s22 (t)} + ( ai b∗j + bi a∗j ) · E{s1 (t) · s2 (t)}
| {z } | {z } | {z }
(1) (2) (C )
(2.42)
2.2. COMPORTAMENTO CON PIÙ SEGNALI IN INGRESSO 39
R = R1 + R2 + R C (2.43)
Matrici R1 e R2 :
R · v = R1 · v + R2 · v = λ · v (2.46)
RC = E{s1 (t)s2 (t)} · a2 b1∗ + b2 a1∗ a2 b2∗ + b2 a2∗ a2 b3∗ + b2 a3∗ (2.47)
a3 b1∗ + b3 a1∗ a3 b2∗ + b3 a2∗ a3 b3∗ + b3 a3∗
2.2. COMPORTAMENTO CON PIÙ SEGNALI IN INGRESSO 41
R · v1 = R1 · v1 +
R2·1 + R C · v1 =
v
| {z }
(∗)
= (R1 + RC ) · v1 = λ · v1 ↔ per avere su R l’autovettore v1
R · v2 =
R1·2 + R2 · v2 + RC · v2 =
v
| {z }
(∗)
= (R2 + RC ) · v2 = λ · v2 ↔ per avere su R l’autovettore v2
La presenza dei termini (∗) modifica gli autovettori della R e li rende non
paralleli agli autovettori delle R1 e R2 (a loro volta paralleli agli steering
vectors delle due DOA di interesse). Per assicurarsi che le DOA corrette
vengano identificate 1.2, sarebbe necessario poter rendere trascurabili i
termini (∗) : purtroppo, essendo combinazioni non lineari di ai e bi , non
è semplice gestire la ortogonalità tra questo sottospazio e il sottospazio
degli steering vectors possibili (lo spettro MUSIC viene prodotto proi-
ettando ogni steering vector possibile sul sottospazio complementare al
sottospazio di segnale 1.1).
Visto che è eccessivamente complicato porre la condizione di ortogonalità,
dal momento che sicuramente le DOA rilevate saranno corrette quando il
coefficiente proprio della matrice RC tenderà a 0, si assicura la correttezza
dell’algoritmo in presenza di segnali tra loro poco correlati (con crosscor-
relazione sufficientemente piccola da rendere il termine RC trascurabile
nella somma).
A voler quantificare quanto sia una soglia massima per la crosscorre-
lazione, è possibile affidarsi per un attimo alla tecnica della scompo-
sizione spettrale vista nel paragrafo 1.2.1. Applicando la SVD, è possibile
42CHAPTER 2. IMPLEMENTAZIONE MUSIC CON CAMPIONAMENTO
scrivere:
rank( R1 )
R1 = P1 · U1 Λ1 U1H = P1 ∑ H
λ1i · U1i U1i
i =1
rank( R2 )
R2 = P2 · U2 Λ2 U2H = P2 ∑ H
λ2i · U2i U2i
i =1
rank( RC )
RC = PC · UC ΛC UCH = PC ∑ H
λCi · UCi UCi
i =1
R = R1 + R2 + R C = (2.48)
rank( R1 ) rank( R2 ) rank( RC )
= P1 ∑ H
λ1i · U1i U1i + P2 ∑ H
λ2i · U2i U2i + PC ∑ H
λCi · UCi UCi
i =1 i =1 i =1
rank( R1 )
R1 = P1 ∑ H
λ1i · U1i · U1i =
i=1
H H
= P1 · λ11 · U11 · U11 + . . . + λ1N · U1N · U1N
con N = rank( R1 )
nel confronto dei termini va tenuto presente che la base di autovettori non
è detto sia normalizzata. Il “peso” dei termini singoli è quindi dettato
anche dai moduli degli autovettori, perciò conviene esprimere i singoli
2.2. COMPORTAMENTO CON PIÙ SEGNALI IN INGRESSO 43
addendi come:
H
H U1i H U1i
λ1i · U1i · U1i = λ1i · ||U1i || · · ||U1i || · H
= ...
||U1i || ||U1i ||
H
sapendo che ||U1i || = ||U1i || si ottiene
H
. . . = λ1i · ||U1i ||2 · u1i · u1i (2.49)
Nella 2.49 il termine matriciale è pesato dal coefficiente λi ||Ui ||2 : in una
somma tra più matrici, ai fini del calcolo degli autospazi basterà porre
tutti i coefficienti della SVD di una certa matrice “trascurabili” rispetto
ad altri per minimizzare l’effetto di quest’ultima. Quindi, applichiamo
questa conclusione per rendere “trascurabile” la matrice RC :
Quando non sono prevedibili le DOA (che condizionano gli steering vec-
tor, e quindi i coefficienti posti a confronto), è possibile stabilire un certo
settore d’uso entro cui porre le condizioni: per settore d’uso si intende un
particolare range di DOA entro cui una determinata condizione ha val-
ore.
Nell’esempio sopra, si vuole garantire che le relazioni di maggioranza
siano valide per qualsiasi DOA: questo equivale ad affermare che esse
siano valide per la DOA per cui i termini a destra delle relazioni avranno
il valore minore.
Su tutto l’array, le DOA spazieranno in tutto l’intorno, comprendendo an-
44CHAPTER 2. IMPLEMENTAZIONE MUSIC CON CAMPIONAMENTO
PT 1 2
PT r 2
P = PR = · 4πr = · (2.51)
4πd2 2 2 d
con PT = quantità di potenza disponibile dal trasmettitore
d = distanza media tra i dispositivi
r = raggio medio del dispositivo ricevente
λ 2
PR (d, θ R , φR ) = PT · GT (θ T , φT ) · · GR ( θ R , φR ) (2.52)
4πd
| {z }
PDISP
Con |Γ| << 1 già il segnale di seconda riflessione può essere consider-
ato trascurabile.
Una echo di prima riflessione avrà forma:
La condizione andrà valutata nel caso peggiore, quella in cui il rapporto abbia
il valore minimo. E’ necessario, quindi, cercare tra tutti gli steering vectors la
coppia a e b (con a cercato solo tra le DOA nel settore d’uso, e b cercato invece
tra tutte le DOA precalcolate).
x i ( t ) = a i · s 1 ( t ) + bi · s 2 ( t ) + . . . + z i · s z ( t ) + n i ( t )
x j ( t ) = a j · s1 ( t ) + b j · s2 ( t ) + . . . + z j · s z ( t ) + n j ( t )
a i = a i ( θ1 ) bi = a i ( θ 2 ) ... zi = ai ( θ z ) (2.58)
Il singolo termine della matrice R sarà (annullando le crosscorrelazioni
segnale-rumore e rumore-rumore da antenne distinte):
. . . = ai a∗j · E{s a (t)s a (t)} + ai b∗j · E{s a (t)sb (t)} + . . . + ai z∗j · E{s a (t)sz (t)}+
+ bi a∗j · E{sb (t)s a (t)} + bi b∗j · E{sb (t)sb (t)} + . . . + bi z∗j · E{sb (t)sz (t)}+
...
+ zi a∗j · E{sz (t)s a (t)} + zi b∗j · E{sz (t)sb (t)} + . . . + zi z∗j · E{sz (t)sz (t)}
Adesso che i ritardi di arrivo alle diverse antenne non sono più trascur-
abili, è necessario aggiornare alcune delle relazioni di base precedente-
mente osservate. E’ possibile tornare al modello con un unico segnale
in arrivo: tutte le conclusioni varranno anche per più segnali (a patto di
riuscire a identificare correttamente gli sfasamenti per ognuno dei segnali
in arrivo). In presenza di un segnale, a due generiche antenne dell’array
osserverò le seguenti funzioni:
xi ( t ) = ai · s ( t − αi ) + ni ( t )
x j (t) = a j · s(t − α j ) + n j (t)
Dove il termine (∗) sarà dipendente dalla fase relativa tra i segnali ril-
evati, pari a αij = α j − αi . L’andamento della funzione, per segnali
monocromatici, sarà quello della autocorrelazione generica già visto nel
grafo 2.2.
E’ possibile riscrivere il termine (∗) in una forma più “comoda”, sepa-
rando il termine di crosscorrelazione massima dal termine dipendente
2.3. UTILIZZO DELLE INFORMAZIONI DI FASE 51
dallo scarto α :
Scritta come sopra, la matrice RS non ha più il rango unitario atteso (es-
sendo generata dalla presenza di un unico segnale) e si perde l’associazione
tra i suoi autovettori e lo steering vector corrispondente alla DOA del seg-
nale in arrivo. La perdita della associazione è dovuta ad un piccolo errore
concettuale nello svolgimento: con la scrittura precedente non si esplicita
la relazione presente tra i termini K (αij) e gli steering vectors, relazione
in realtà presente dal momento che lo sfasamento di segnale tra le varie
antenne sarà univocamente legato alla DOA di arrivo.
Cerchiamo di cambiare quindi scrittura. Sappiamo che:
2π
K (αij ) = cos · αij (2.64)
T0
52CHAPTER 2. IMPLEMENTAZIONE MUSIC CON CAMPIONAMENTO
Conoscendo i termini α0i e α0j sarà possibile giungere a αij = α0j − α0i (vedi
2.65): a questo punto, l’elemento R Iij sarà semplice da calcolare.
Rij
h i
2pi
j T0 · αij
R Iij = ·e (2.73)
K (αij )
Stabilito che il riferimento per gli sfasamenti nel calcolo degli steer-
ing vectors non condiziona il comportamento dell’algoritmo MUSIC, po-
nendo come “riferimento” l’antenna perpendicolare al maggior numero
di assi di simmetria dell’array (per semplificare lo studio della sua geome-
tria complessiva), si cerca una funzione in grado di descrivere, al variare
delle DOA, le fasi di segnale presenti alle singole antenne.
La funzione permetterebbe di poter “precalcolare” gli steering vectors in
maniera veloce e automatica, e la sua generazione non necessita di una
calibrazione con segnali effettivi, in quanto gli sfasamenti rilevati risul-
tano indipendenti dalle caratteristiche di radiazione delle singole antenne
(non prevedibili, che rendono necessaria la calibrazione per ottenere un
insieme di steering vectors precalcolati corretti) ma dipendono solo dalla
2.3. UTILIZZO DELLE INFORMAZIONI DI FASE 55
||p||2 = | p1 |2 + | p2 |2 + | p3 |2 =
= | a1 a1∗ · b1 + a1 a2∗ · b2 + a1 a3∗ · b3 |2 +
+ | a2 a1∗ · b1 + a2 a2∗ · b2 + a2 a3∗ · b3 |2 +
+ | a3 a1∗ · b1 + a3 a2∗ · b2 + a3 a3∗ · b3 |2 (2.76)
56CHAPTER 2. IMPLEMENTAZIONE MUSIC CON CAMPIONAMENTO
con x, y ∈ R+ → | x + y| = | x | + |y|
| x + y| ≤ | x | + |y| ⇒ (2.77)
con x, y ∈ C → | x + y| < | x | + |y|
||p||2 = | p1 |2 + | p2 |2 + | p3 |2 =
= | a1 · ( a1∗ · b1 + a2∗ · b2 + a3∗ · b3 )|2 +
+ | a2 · ( a1∗ · b1 + a2∗ · b2 + a3∗ · b3 )|2 +
+ | a3 · ( a1∗ · b1 + a2∗ · b2 + a3∗ · b3 )|2 (2.78)
Nei tre addendi compare un modulo di un prodotto tra variabili: date due
variabili complesse generiche x e y, sui moduli vale la relazione | x · y| =
| x | · |y| . E’ possibile quindi riscrivere la equazione precedente in forma
più compatta:
e risulta evidente che il valore massimo, pari a |a|2 , si otterrà solo in pre-
senza della condizione già nota b = a .
59
60 CHAPTER 3. IMPLEMENTAZIONE MUSIC A VALORE EFFICACE
A2 A2 T0 ∆
4π 2π∆
(∗) = − cos t− · sin (3.4)
2 4πTI T0 2 T0
| {z }
(1)
Da ogni antenna si ricava quindi il termine xsi RMS che, se l’integrato scelto
per l’analisi del segnale è “corretto” (vedi paragrafo 3.1), risulterà invari-
ante nel tempo (a meno di errori dovuti alla elaborazione dei dati). Dato
il termine della singola antenna
q
xsi RMS = | a i |2 · P + N (3.10)
∂f
q
1 + γ2 ≈ f (1) + (1) · ( γ − 1) + o ( γ2 ) ≈ (3.12)
∂γ
q " #
γ
≈ 1 + γ2 + p · ( γ − 1) + o ( γ2 )
2
1 + γ γ =1
γ =1
√ √
√ 1 2 2
≈ 2 + √ · ( γ − 1) = γ+
2 2 2
sotto analisi.
I dati rilevati da ciascuna antenna andranno modellati a seconda del com-
portamento della stessa: la forma precedente è da ritenersi valida solo con
N ≈ | ai |2 · P (ovvero γ → 1 ), ed essa e modella il caso limite entro cui
una antenna dell’array si può considerare ricettiva.
√
La presenza del coefficiente 22 merita un piccolo accorgimento a parte: la ap-
prossimazione nel caso “parzialmente” ricettivo porta ad ottenere dei valori che
potremmo definire “scalati diversamente” rispetto agli altri. La costante di ap-
prossimazione porta a variare i rapporti reciproci tra gli elementi della matrice
R , e talvolta può provocare l’aumento di dimensione del sottospazio dei segnali
nulli. Un buon metodo di ovviare√all’inconveniente corrisponde nel “correggere”
(moltiplicandoli per il reciproco 2 ), lato software, i valori per cui si suppone
la presenza del coefficiente (i quali rientreranno solo in una certa fascia, con lim-
ite inferiore prossimo al valore rilevato in assenza di segnale e limite superiore
prossimo al valore rilevato ponendo una potenza di segnale prossima alla potenza
di rumore).
Va comunque detto che, considerando un array di piccole dimensioni rispetto il
fenomeno di propagazione d’onda, la quantità di potenza ricevuta tra due an-
tenne distinte non varierà eccessivamente, escludendo il caso in cui la DOA sia
su una direzione “cieca” per l’elemento. I valori presi da tutto l’array dovrebbero
risultare direttamente confrontabili senza correzione.
Per avere una idea della elaborazione con dati in VRMS , di seguito viene
mostrato lo svolgimento di una elaborazione con L = 3 .
Nella 3.15 si ricorda la struttura della matrice R (descritta in 1.2):
Sviluppo finale:
| a1 || a1 | | a1 || a2 | | a1 || a3 |
R = P · | a2 || a1 | | a2 || a2 | | a2 || a3 | +
| a3 || a1 | | a3 || a2 | | a3 || a3 |
| {z }
R A1
| a1 | + | a1 | | a1 | + | a2 | | a1 | + | a3 |
√ √
+ P N · | a2 | + | a1 |
| a2 | + | a2 | | a2 | + | a3 | +
| a3 | + | a1 | | a3 | + | a2 | | a3 | + | a3 |
| {z }
R A2
1 1 1 1 0 0
+ N · 1 1 1 + NI · 0 1 0 (3.17)
1 1 1 0 0 1
| {z } | {z }
R A3 R A4
R · v1 = R A1 · v1 + R A2 · v1 + R A3 · v1 + R A4 · v1 = λ1 · v1 (3.18)
dato che R A4 · v1 = NI · v1
R A1 · v1 + R A2 · v1 + R A3 · v1 = (λ1 − NI ) · v1
R · v1 = (λ1 − NI ) · v1 + NI · v1 = λ1 · v1 (3.19)
R = R A1 + R A2 + R A3 = (3.20)
rank( R A1 ) √ √ rank( R A2 ) rank( R A3 )
=P ∑ H
λ1i · U1i U1i + P N ∑ λ2i · U2i U2i + N ∑ λCi · UCi UCi
H H
i =1 i =1 i =1
√ √ rank( R A2 )
R = Pλ1 · U1 U1H + P N ∑ λ2i · U2i U2i
H
+ NλC · UC UCH (3.21)
i =1
1. matrice R A1
3. matrice R A3
1
Autovalore λC = 3 Autovettore vC = 1 (3.23)
1
“cieca”):
√
x1 = | a1 | √ P | a1 |2 P | a1 || a2 | P 0
x2 = | a2 | P (| a2 | < | a1 |) ⇒ R = | a1 || a2 | P | a2 |2 P 0
x =0
3 0 0 0
2P
√ √ √ √ √
√ | a |
1√ √ | a 1 | P (| a |
√2 √ 2 P + N ) | a |
√ 1 √ 3 √ P | a | N
R = (| a2 | P + N )| a1 | P (| a | P + N ) N (| a | P + N )
√ √ √ 2 √ √ 2
N (| a1 | P) N (| a2 | P + N ) N
Applicando lo stesso raggruppamento:
q q
| a2 |
1 | a1 |
+ |a1 | NP | a3 | |a1 | NP
q 1q 1 q
| a2 |
2 + 1 N
( ||aa2 || + |a1 | NP )2 ( ||aa2 || + 1) |a1 | NP
R = | a1 | P · | a1 | | a1 | P 1 1 1 1
q q q 2
( ||aa2 || + 1) |a1 |
N N N
| a3 | |a1 | P P
1
| a1 | P
1 1 1
q
Si può notare la presenza frequente del termine |a1 | NP : per le condizioni
1
ammesse sulla potenza in ingresso questo termine è trascurabile, quindi
la matrice finale può essere scritta come:
| a2 |
1 | a1 |
0
R ≈ | a1 |2 P · | a2 |2
| a2 | (3.26)
| a1 | | a1 |2
0
0 0 0
70 CHAPTER 3. IMPLEMENTAZIONE MUSIC A VALORE EFFICACE
La 3.26 appare identica alla 3.25: i rapporti tra gli elementi delle matrici
sono praticamente gli stessi, quindi le matrici avranno le stesse proprietà
geometriche. La presenza di antenne rilevanti solo rumore non comporta
problemi nella applicazione dell’algoritmo MUSIC.
(∗) = E{| ai |2 s21 (t) + |bi |2 s22 (t) + ( ai bi∗ + bi ai∗ )s1 (t)s2 (t)+
+ ai s1 (t)n∗ (t) + bi s2 (t)n∗ (t) + ai∗ s1 (t)n(t) + bi∗ s2 (t)n(t)+
+ n(t)n∗ (t)} = . . .
. . . =| ai |2 E{s21 (t)} + |bi |2 E{s22 (t)} + <{ ai bi∗ } E{s1 (t)s2 (t)} +
| {z }
(1)
+ E{ ai s1 (t)n∗ (t)} + E{bi s2 (t)n∗ (t)} + E{ ai∗ s1 (t)n(t)} + E{bi∗ s2 (t)n(t)} +
| {z }
(2)
∗
+ E{n(t)n (t)}
M 2
Il termine (∗) è approssimabile a 1 se vale la condizione N << ∑m =1 | aim | Pm :
per adesso accontentiamoci di questo caso e proseguiamo la analisi. Ap-
prossimando, risulta:
v
u M
≈ t ∑ | aim |2 Pm = . . .
u
xsi RMS (3.32)
m =1
∗
Rij = E{ xsi xsj }=
= | ai1 || a j1 | E{ P1 P1∗ } + . . . + | aiM || a jM | E{ PM PM
∗
}+
p p ∗ p p ∗
+ | ai1 || a j2 | E{ P1 P2 } + . . . + | a jM || a j( M−1) | E{ PM PM−1 }+
+ (| ai1 | P1 + . . . + | aiM | PM ) E{n∗j (t)}+
p p
p p
+ (| a j1 | P1 + . . . + | a jM | PM ) E{ni (t)}+
+ E{ni (t)n∗j (t)}
74 CHAPTER 3. IMPLEMENTAZIONE MUSIC A VALORE EFFICACE
∗
R Aij = E{ xsi xsj }=
= | ai1 || a j1 | E{ P1 P1∗ } + . . . + | aiM || a jM | E{ PM PM
∗
}+
p p ∗ p p ∗
+ | ai1 || a j2 | E{ P1 P2 } + . . . + | a jM || a j( M−1) | E{ PM PM−1 }
| {z }
(∗)
Il fatto che un inserimento di più segnali “puri” con elaborazione VRMS non
sia fattibile, non deve far trascurare l’implementazione a valore efficace:
effettivamente essa risulta la soluzione con minor rapporto costo - pre-
stazioni. Il trattamento di più segnali può comunque essere ottenuto,
spostando il problema di gestione ad un livello inferiore rispetto a quello
computazionale (ad esempio, se analizzando segnali in bande distinte,
selezionando a tempo la sorgente da analizzare utilizzando appositi filtri
a valle dell’antenna ma precedenti l’integrato, oppure prevedendo l’uso
3.3. COMPORTAMENTO CON PIÙ SEGNALI IN INGRESSO 75
ma, differentemente dal caso illustrato nel paragrafo precedente, qui tutti
i segnali risultano correlati. Si prosegue sviluppando il termine (∗) ,
senza però considerare come “caso peggiore” il caso in cui tutte le echo
siano perfettamente in fase e in arrivo dalla stessa DOA “ottimale” (nonos-
76 CHAPTER 3. IMPLEMENTAZIONE MUSIC A VALORE EFFICACE
∗ ∗
(∗) = | ai1 |2 s1 2 (t) + ai1 ai2 s1 (t)s2 (t) + . . . + ai1 aiM s M (t)+ (3.39)
∗ ∗
+ ai2 ai1 s2 (t)s1 (t) + | ai2 |2 s2 2 (t) + . . . + ai2 aiM s2 (t)s M (t)+
+...+
∗ ∗
+ aiM ai1 s M (t)s1 (t) + aiM ai2 s M (t)s2 (t) + . . . + | aiM |2 s M 2 (t)+
+N
M
(∗) = | ai1 |2 s1 2 (t) + ∑ |aie |2 se 2 (t) + N + (3.40)
e =2
+ termini incrociati in quantità M( M − 1)
| {z }
(1)
M
E{(∗)} = | ai1 |2 P1 + |Γ|2 P1 ∑ |aie |2 + N + (3.41)
e =2
!
M M
+ ∑ ∑ ∗
( aik aih ∗
+ aik aih ) · E{sk (t)sh (t)}
k =1 h=1,h6=k
| {z }
(1)
Il termine (1) non risulterà mai più elevato del suo denominatore, soprat-
tutto per l’impossibilità di avere tutte le echo in fase con il segnale ed in
fase tra loro. E’ possibile considerare come caso “peggiore” il caso in cui
(2) → 1 .
√ √ u
v
M
2 2u
|Γ| P1 ∑ | aie |2 + N =
p
xsi RMS ≈ | a | P1 + t 2
2 i1 2 e =2
√
2 √
| ai1 | P1 + k2 | ai2 ||Γ| P1 + . . . + k M | aiM ||Γ| P1 + k N N
p p p
=
2 | √
{z }
2
k e = potenze di 2 con esponenti di ordine M (quindi trascurabili)
(3.44)
Con (2) → 1 :
√ u √ q
v
M
2u 2
1 ∑ | aie | + N +
xsi RMS ≈ t | a |2 P + | Γ |2 P 2 (1) (3.45)
i1 1
2 e =2 2
| {z }
3.44
ad affermare che più echo saranno presenti, e meglio xsi RMS riguarderà il
solo segnale informativo.
Ciò è, ovviamente, un assurdo logico, ma la dimostrazione non è errata:
semplicemente, non si è tenuto conto che con una quantità di segnali di
echo tale da annullare completamente i termini nella approssimazione,
non si rientra nel caso (2) → 1 ma si ottiene (2) >> 1 , con il risultato di
annullare la presenza del segnale informativo.
= ( a i + | Γ | bi ) · s ( t ) + n i ( t )
Nel caso peggiore, la somma tra segnale ed echo risulta confrontabile con
il rumore, quindi:
√ √
2 √ 2√
xsi RMS ≈ | a i + | Γ | · bi | P + N (3.47)
2 2
Il segnale di echo e il segnale informativo vengono posti in fase, per
ipotesi. Di conseguenza, il guadagno complesso della singola antenna
(ovvero la fase di segnale rilevata rispetto al centro di fase), avrà fase
comune per le due direzioni di arrivo: è quindi possibile affermare che
∗
Rij = E{ xsi xsj }= (3.50)
1 √ √ √
= | ai | P + |Γ||bi | P + N + ni (t) ·
2
√ √ √ ∗
· | a j | P + |Γ||b j | P + N + n j (t) =
80 CHAPTER 3. IMPLEMENTAZIONE MUSIC A VALORE EFFICACE
1
= (| ai || a j | P + |bi ||b j |(|Γ|2 P)+
2
+ (| ai ||b j | + | a j ||bi |)(|Γ| P)+
√ √ √ √
+ |Γ|(|bi | + |b j |) N P + (| ai | + | a j |) N P+
NI con i = j
+N+ )
0 con i 6= j
2| a1 | | a1 | + | a2 | | a1 | + | a3 |
√ √
+ P N · | a2 | + | a1 | 2| a2 | | a2 | + | a3 | +
| a3 | + | a1 | | a3 | + | a2 | 2| a3 |
| {z }
R A2
1 1 1 1 0 0
+ N · 1 1 1 + NI · 0 1 0 (3.51)
1 1 1 0 0 1
| {z } | {z }
R A3 R A4
Anche qui tenere presente le considerazioni fatte nel paragrafo 2.2.3 per quanto
riguarda la scelta della peggiore configurazione possibile. Le matrici più in-
desiderate risultano essere la RC e la R D : la prima è a termini incrociati, quindi
la “configurazione peggiore” corrisponderà a due DOA distinte tali da massimiz-
zare gli effetti della matrice.
Per prima cosa, quindi, è da cercare lo steering vector b associato alla matrice
R D che massimizzi i suoi coefficienti associati: stabilito uno steering vector b ,
si prosegue cercando lo steering vector a che contribuisca a massimizzare la RC .
Non è detto che, singolarmente, i due steering vectors abbiano qualche proprietà
di rilievo (come la massima o minima norma).
82 CHAPTER 3. IMPLEMENTAZIONE MUSIC A VALORE EFFICACE
85
86 CHAPTER 4. UTILIZZO DELLE INFORMAZIONI DI FASE
che risulterà una copia identica e ritardata del segnale originario rilevabile
a z=0 (per un certo istante t, l’argomento della funzione s R (t) risulterà in-
feriore all’argomento della funzione s(t) ): ciò ha ovvia validità fisica, in
quanto rispetta il principio di causalità.
2π f 2π
k= = (4.5)
vf λ
Tale segnale viene posto come riferimento nel rilevamento delle fasi, e
l’integrato phase-detector restituirà in realtà la differenza di fase presente
tra il segnale osservato alla antenna e il segnale di riferimento generato
internamente all’elettronica di controllo dell’array. Il segnale interno avrà
forma
pari allo sfasamento rilevato tra segnale alla antenna e segnale di riferi-
mento.
La presenza di un termine k0 non deve preoccupare: va tenuto presente
che un accorpamento dell’informazione di fase all’interno degli steer-
ing vectors corrisponderà a trasformare ciascuno steering vector aggiun-
gendo ad ogni guadagno reale un esponenziale complesso rappresentante
la fase da attendere alla antenna per una determinata DOA.
Come illustrato nel paragrafo 2.3.1, gli steering vectors varieranno come
in 4.10.
| a1 |e j· ϕ10
| a1 |
| a2 | | a2 |e j· ϕ20
a= . ⇒a= (4.10)
. . .
.
.
|aL | | a L |e j· ϕ L0
con ai = ai (θ, φ) guadagno dell’antenna per la DOA θ, φ
ϕi0 = ϕi − ϕ0 sfasamento rilevato tra l’antenna i-esima e il riferimento
purchè resti costante per tutte le componenti di uno stesso steering vector.
col risultato che risulta impossibile distinguere fasi diverse solo per la
costante C indicata.
E’ stato osservato come nella matrice RS l’informazione determinante
risulti la differenza di fase rilevata tra le coppie di antenne dell’array:
il dato sensibile risulta quindi
ϕ = k · (di − d j ) = k · (d a − db ) + C · 2π (4.16)
..
.
| ai | · e j·[k·da ]
u1 =
..
(4.19)
.
| a j | · e j·[k·db ]
..
.
|vi | · e j·[k·da ]
. . .∗ | · e− j·[k·da ] . . .∗ | · e− j·[k·db ]
| | ai |aj ·
..
| = (4.20)
.
|v j | · e j·[k·db ]
((( (((
e−(
j·[(
k·d( (j·[k·d a ]
e−(
j·[(
k·d(
a ]+ (j·[k·db ]
b ]+
= | . . . + | ai ||vi | · ( + | a j ||v j | · ( +...|
Senza illustrare i passaggi (già mostrati nel paragrafo 1.2), si otterrà una
matrice delle covarianze R strutturata come
| a1 || a1 | | a1 || a2 | | a1 || a3 |
1 0 0
R = P1 · | a2 || a1 | | a2 || a2 | | a2 || a3 | + N · 0
1 0 (4.24)
| a3 || a1 | | a3 || a2 | | a3 || a3 | 0 0 1
| {z }
RS
98 CHAPTER 4. UTILIZZO DELLE INFORMAZIONI DI FASE
a = | a 2 | ⇒ a = | a 2 | · e j [ k · d2 ] (4.25)
| a3 | | a3 | · e j [ k · d L ]
dove
I termini ϕi0 e ϕ j0 altri non sono che le fasi rilevate (rispetto un gener-
ico riferimento comune) dall’integrato phase-detector, per il segnale inci-
dente sulla antenna i e sulla antenna j.
In presenza di una elaborazione VRMS , la matrice RS risulta esser una
componente non estraibile della matrice R , assieme a tutte le altre ma-
trici di disturbo descritte nella equazione 3.51. Per completare la RS sarà
quindi necessario variare i termini della R complessiva:
a = | a 2 | ⇒ a = | a 2 | · e j [ k · d2 ] (4.30)
| a3 | j
| a3 | · e L [ k · d ]
Come si può vedere dalla figura 4.5, gli angoli θ e φ designano univoca-
mente una DOA: attraverso l’immagine è possibile anche avere una idea
del settore d’uso.
Nello specifico, se si impone una simmetria conica, il settore d’uso sarà
definito da un angolo di apertura massimo θ MAX che identificherà il set-
tore spaziale dove viene ammessa la localizzazione (nella illustrazione,
corrispondente all’area superiore).
Si ricorda che uno spazio tridimensionale può essere ricondotto ad uno spazio
vettoriale di dimensione 3: un generico punto può essere definito per mezzo di
un vettore che identificherà la sua posizione nello spazio.
xP
P( x P , y P , z P ) ⇒ p = y P (4.31)
zP
104 CHAPTER 4. UTILIZZO DELLE INFORMAZIONI DI FASE
dove il vettore p identifica la posizione del punto P nello spazio. Al variare della
costante r, si identificheranno i vettori posizione per qualsiasi punto della retta,
definito su essa per mezzo del valore r stesso (quindi, in uno spazio ad una unica
dimensione). Ponendo r = 1 , si ricava il versore associato alla DOA del segnale.
propagazione diventa:
L L
|v H · a| = | ∑ |vi |
e−
j∠ a i
e j∠ai | = | ∑ |vi || ai ||
· | ai |
(4.37)
i =1 i =1
RS ricavata dai dati rilevati), mentre i termini eai saranno dovuti agli er-
rori di misura per i centri di fase (in quanto associati allo steering vector
precalcolato).
Genericamente, il modulo della proiezione risulta
j·( e ai −e )
L L | {z vi}
|v H · a| = | ∑ |vi || ai |e− j( ideale + evi )+ j (
vi ]
[∠ ideale + e ai ) |
ai ]
[∠
= | ∑ |vi || ai |e
ei
|
i =1 i =1
(4.39)
Dalla 4.39, una prima considerazione può derivare dalle caratteristiche
della funzione valore assoluto.
Prendiamo il valore assoluto di una somma generica di termini:
v = || x1 | · e jα + | x2 | · e jα + . . . + | xn | · e jα | = | (| x1 | + | x2 | + . . . + | xn |) · e jα | =
jα
= | (| x1 | + | x2 | + . . . + | xn |) | ·
|e
| = | (| x1 | + | x2 | + . . . + | xn |) | (4.41)
nitot = n M + ni (4.43)
L
|v H · a| = | ∑ |vi || ai |e− j(
∠vi +nitot )+ j(ai )
∠
|=
i =1
!
L L
= | ∑ |vi || ai |e− j·(n M +ni ) | = |e− j·n M ∑ |vi ||ai |e− j·ni |=
i =1 i =1
!
L
|e−
= ·n M
j |·| ∑ |vi ||ai |e− j·ni | (4.44)
i =1
4.4. EFFETTO DEGLI ERRORI DI FASE 109
Nel grafico 4.7, viene illustrato l’andamento dello scarto quadratico os-
servato, per diversi scarti quadratici di misura (ovvero, diversi errori
“massimi” indicati per il phase-detector), dipendentemente dal numero
di campioni per rilevazione singola.
mazioni di fase:
e j·∠v1 e j·∠a1
e j·∠v L e j·∠a L
In assenza di errori di fase (quindi ∠vi = ∠ai per ogni i), il valore del
prodotto scalare risulta massimo pari a
e−(
j·∠ 1 · e j ·∠ a1 + . . . + e −(
j·∠v L
· e j·∠a L | = | L|
( (
|v H · a| = |( (v( ((( (((
( (( (4.49)
∠v i = ∠ a i + n i
σoss − (−σoss )
2
ni = · i − σoss = σoss · i−1 con i = 1 . . . L
( L − 1) ( L − 1)
(4.50)
per essere sicuri di ottenere la massima variabilità tra i valori ni .
Visto che il concetto sarà riutilizzato in seguito, apriamo qui un piccolo appro-
fondimento.
Siamo nella situazione di dover verificare il comportamento di una funzione
dipendente da un numero L di parametri, provenienti dalla stessa variabile aleato-
ria. La distribuzione statistica della variabile sarebbe di tipo normale con scarto
quadratico medio pari σ e media pari a µ , ma si suppone che la probabilità di
osservare un parametro esterno all’intervallo [−σ + µ, σ + µ] sia trascurabile.
Si è osservato come il modulo di una somma di numeri complessi sia massimo
quando tutti gli addendi risultino in fase: inversamente, il valore diminuirà
quanto più le fasi saranno distinte. Dal momento che i parametri L aleatori sono
parametri di fase, una buona approssimazione del caso peggiore corrisponderà alla
situazione in cui tutte le fasi saranno tra loro distinte (visto che con fasi iden-
tiche il modulo tende ad aumentare): lavorando su intervalli piuttosto ristretti,
un allontanamento eccessivo nella scelta tra due valori di fase comporterebbe un
avvicinamento eccessivo di altri due valori, quindi l’idea migliore per distinguere
tutti i valori consiste nel prelevarli uniformemente da tutto l’intervallo. Per avere
una idea della situazione:
Emax − Emin
ni = · i + Emin con i ∈ 1 . . . L (4.51)
( L − 1)
Sono riportati in figura 4.9 gli andamenti delle proiezioni per due generici
array di 6 e 10 antenne, corrispondenti agli andamenti della funzione
L L h
2
i
− j· σoss · ( L− i −1
p(σoss , L) = | ∑ e − j · ni
|=|∑e 1) | (4.52)
i =1 i =1
Figure 4.9: Andamento delle proiezioni per steering vector corretto (a)
con 3 antenne, (b) con 6 antenne
Dalla analisi dei grafi in figura 4.9, si osserva come il valore σoss massimale
per garantire una proiezione entro il 99.5% della massima sia poco dipen-
dente dal numero di antenne dell’array: posto il valore σoss , sarà possi-
bile, conoscendo il massimo errore aleatorio di fase introdotto dal phase-
detector (corrispondente allo scarto quadratico σ ), valutare la funzione
σoss (σ ) e stabilire su quanti campioni di fase effettuare la media per ot-
tenere una accuratezza soddisfacente.
σ · 180
π
◦
σoss ≤ 0.14 ⇒ √ ≤ 0.14 (4.54)
n
√ 21 · 180
π
n≥ ⇒ n ≥ 6.85 → n ≥ 7 (4.55)
0.14
e j·∠v1 e j·∠a1
v = ... a = ...
e j·∠v L e j·∠a L
∠vi = [∠vi ]e f f ettivo ∠ai = [∠ai ]ideale + eai (4.56)
Ripartiamo dalla analisi del modulo della proiezione dello steering vector
corrispondente alla DOA corretta sull’autovettore v della RS . Come nella
4.49, risulta che in assenza di errori la proiezione perfetta dovrebbe avere
modulo pari a L, e la accuratezza massima nella localizzazione si ottiene
se il modulo resta entro il 99.5% del valore massimo.
Il modulo della proiezione, sapendo che [∠vi ]e f f ettivo = [∠ai ]ideale è carat-
terizzato dalla funzione
L L
|v H · a| = | ∑ e− j[∠vi ]e f f ettivo · e j([∠ai ]ideale +eai ) | = | ∑ e j·eai | (4.57)
i =1 i =1
Il fatto che l’errore di misura possa essere modellato come variabile aleatoria
normale a media nulla, deriva dal poter modellare la misura complessiva come
variabile aleatoria con media pari (per infinite prove) al suo valore vero. In prat-
ica, se mk corrisponde alla k-esima misura lineare di una dimensione, varrà per
infinite prove
E{mk } = M con M pari al valore vero (4.60)
Con l’errore di misura, la singola prova k-esima consisterà in
mk = M + ∆mk (4.61)
in cui M non sarà termine variabile tra le prove. Dal momento che il valore
medio complessivo risulta pari a M, se ne deduce che il valore medio della vari-
abile aleatoria ∆mk risulta pari a 0.
Associando alla variabile aleatoria ∆mk il solo effetto di errore di misura, essa
dovrà avere valore medio nullo e scarto quadratico medio pari allo scarto quadra-
tico medio di misura.
con ∆xi , ∆yi , ∆zi , si identifica lo scarto quadratico associato alle misure
dei centri di fase lungo gli assi coordinati. Supponendo lo stesso stru-
mento di misura, è possibile porre ∆xi = ∆yi = ∆zi = ∆l , e la equazione
precedente si semplifica ulteriormente in
r
∆eai = k2x + k2y + k2z · ∆l (4.65)
dove con ∆eai si esprime lo scarto quadratico associato alla variabile aleato-
ria eai (corrispondente al raggio dell’intorno di 0 entro cui il valore eai potrà
cadere, dal momento che a valori esterni all’intorno la distribuzione sta-
tistica associa probabilità di apparizione bassa).
∆eai − (−∆eai )
2
eai = · i − ∆eai = ∆eai · i−1 (4.66)
( L − 1) ( L − 1)
L L h i
2
j· ∆eai · ( L− i − 1
p(∆eai , L) = | ∑ e j·eai
|=|∑e 1) | con i = 1 . . . L (4.67)
i =1 i =1
Figure 4.10: Andamento delle proiezioni per steering vector corretto (a)
con 3 antenne, (b) con 6 antenne
([∆eai ]max )2
∆l ≤ (4.69)
k2x + k2y + k2z
| {z }
[∆l ]max
Da notare che il valore [∆l ]max risulta dipendente dalla DOA di arrivo:
per andare sul sicuro, si sceglie il minimo valore possibile ponendo
k2x + k2y + k2z = k2 + k2 + k2 = 3 · k2
e adesso non imponiamo l’uguaglianza tra gli scarti delle misure sui di-
versi assi. Scriviamo allora:
[∆eai ]max
∆xi + ∆yi + ∆zi ≤ (4.73)
k
e l’equazione si presta ad una interpretazione interessante: conoscendo
il massimo errore possibile su uno qualsiasi dei tre assi, magari perchè
per struttura dell’array la misura corrispondente risulta più difficoltosa,
risulta possibile determinare l’insieme delle coppie di errori massimi ot-
tenibili sui due assi rimanenti.
2π f 2π · 2.45 · 109
k= = ≈ 51.31 (4.74)
vf 3 · 108
0.14
∆yi + ∆zi ≤ − 0.001 (4.75)
51.31
L’insieme dei valori ∆yi , ∆zi (con ∆yi , ∆zi > 0 ) per cui la disequazione
risulta verificata, identifica l’insieme di scarti massimi ammessi per le
4.4. EFFETTO DEGLI ERRORI DI FASE 121
misure lungo i due assi y e z. Per avere un’idea della soluzione, guardare
il grafico 4.11.
[∆eai ]max
zmax = − ∆xi
k
La sezione contornata nella vista in pianta, evidenzia la regione del piano
(∆yi , ∆zi ) per cui la disequazione è valida: una qualsiasi coppia di scarti
inclusa in essa, comporterà un errore nelle proiezioni minore dell’errore
massimo consentito.
[∆eai ]max
Da notare che, nel caso fosse stato ∆xi > k ⇒ zmax < 0 , il sistema
non avrebbe avuto soluzioni: in tal caso, con il ∆xi posto, non sarebbe
mai possibile avere la proiezione massima sopra la soglia (ed in tal caso
è necessario diminuire il parametro, o accontentarsi di una minore accu-
ratezza).
122 CHAPTER 4. UTILIZZO DELLE INFORMAZIONI DI FASE
V ( ϕ) = m · ϕ + q
∆V V − V1
m= = 2
∆ϕ A2 − A1
V2 − V1 V1 A2
V ( A2 ) = m · A2 + q = V2 ⇒ q = V2 − · A2 =
A2 − A1 A2 − A1
V2 − V1 V1 A2
V ( ϕ) = ·ϕ+ con ϕ ∈ [ A1 , A2 ]
A2 − A1 A2 − A1
V ( ϕ ) = a · ϕ2 + b · ϕ + c con ϕ ∈ [0◦ , A1 ]
V 0 ( ϕ) = 2a · ϕ + b
0 V2 −V1
V ( A1 ) = m = A2 − A1 = 2a · A1 + b
V (0) = Vi = c
V ( A ) = V = a · A2 + b · A + c
1 1 1 1
V ( ϕ ) = a · ϕ2 + b · ϕ + c con ϕ ∈ [ A2 , 180◦ ]
V 0 ( ϕ) = 2a · ϕ + b
V2 −V1
0
V ( A2 ) = m = A2 − A1 = 2a · A2 + b
V ( A2 ) = V2 = a · A22 + b · A2 + c
V (180) = V = a · 1802 + b · 180 + c
f
∠a R = ϕ R0 = k · d R − k0 ⇒ k0 = k · d R − ϕ R0 (4.80)
2π
[ ϕ R0 ]radianti − [ ϕi0 ]radianti ≤ (4.87)
| {z } h
ϕ+ ;ϕ−
|b1 | · e j·∠a1
135
136 CHAPTER 5. ESEMPIO DI IMPLEMENTAZIONE REALE
istiche vincenti del progetto: garantendo infatti che ogni antenna offra
guadagni sensibilmente differenti per piccole variazioni di DOA, dal mo-
mento che le antenne sono disposte sulle facce del solido platonico, avrò
nel complesso un guadagno uniforme (idealmente) per tutto l’array, com-
pletato però da una grande differenza di comportamento tra i singoli
elementi; proprio tale differenza permetterà di distinguere le DOA di ar-
rivo grazie alla variazione dei parametri rilevati dai singoli elementi.
tano essere:
xi = (1 + cos (α)) · |OM | · cos ϕi − 2
π
x1 = 0
y =0 y = (1 + cos (α)) · |OM | · sin ϕi − π2 per i = 2 . . . 6
1 i
z1 = 0 zi = −|OM| · sin (α)
|OM | = | AB|
con 2·tan( γ2 ) (5.1)
ϕ = − 2 π ( i − 3)
i 5
x2 ≈ +33.152mm
x1 = 0mm x3 = 0mm
y = 0mm y ≈ −10.772mm y ≈ −34.859mm
1 2 3
z1 = 0mm z2 ≈ −21.544mm z3 ≈ −21.544mm
x4 ≈ −33.152mm x5 ≈ −20.489mm x6 ≈ +20.489mm
Per l’opera di taratura sono stati prelevati dati reali sul comportamento
delle antenne in modulo e fase (senza aver variato l’elettronica del dispos-
itivo, quindi per mezzo di dispositivi esterni) in risposta ad alcuni seg-
nali con DOA conosciuta ed è stato svolto sui dati in modulo il MUSIC
nella implementazione solo moduli: successivamente, è stato effettuato
un precalcolo di fase senza taratura, ed è stata eseguita l’implementazione
MUSIC modulo e fase confrontando tra i due test il parametro di scarto
quadratico tra DOA rilevata e DOA reale, secondo
q
σ= (θreale − θrilevata )2 + (φreale − φrilevata )2 (5.5)
Appurato che con il modello in fasi non tarato (quindi matematico “puro”)
lo scarto quadratico per il rilevamento in modulo e fase era molto più el-
evato rispetto quello solo modulo (mostrando quindi un apparente peg-
gioramento delle prestazioni), si è provveduto ad aggiustare i parametri
C nel tentativo di raggiungere un valore minore.
In seguito a prove successive, sono stati ipotizzati due principali parametri
di taratura e a posteriori sono state elaborate anche alcune ipotesi sulla
loro giustificazione fisica. Va tenuto però presente che le ipotesi non sono
state effettivamente dimostrate, quindi vanno prese con il beneficio del
dubbio: è certo che l’introduzione dei parametri nel precalcolo porta il
sistema modulo e fasi ad essere più accurato del sistema solo modulo,
ma non è escluso che possano esistere altre scelte parametriche in grado
di portare il sistema a fornire prestazioni complessive ancora migliori.
del piano osservi il segnale con la stessa fase: finchè l’antenna ha dimen-
sioni notevolmente inferiori alla lunghezza d’onda del segnale, effettiva-
mente questa semplificazione è valida per qualunque orientamento.
Quando l’antenna cresce in dimensioni, può accadere però che variando
l’orientamento punti distinti del piano osservino l’incidenza di una fun-
zione di campo ritardata: per fare un esempio osservare la figura 5.9.
dove la funzione ϕC altro non è che la versione tarata della ϕ , vista in 5.4,
ipotizzando per semplicità di poter mantenere la forma della funzione
(ipotesi non completamente corretta).
Sostituendo i termini noti, e ponendo l’uguaglianza si ha:
da cui si ricava
dove il valore ottimale per il termine ϕneg risulta ϕneg = 90◦ : la presenza
del termine è da associare al fatto di ricevere un segnale a polarizzazione
invertita rispetto alla polarizzazione attesa (in quanto una polarizzazione
destrorsa posteriormente appare come polarizzazione sinistrorsa frontal-
mente, e genera gli effetti di quest’ultima).
Il problema da risolvere è come capire, per ogni DOA, quali antenne rice-
vano il segnale posteriormente: un approccio preciso dovrebbe passare per
una analisi geometrica ripetuta su ogni antenna atta a stabilire gli inter-
valli di θ, φ per cui il segnale arrivi dall’interno dell’array (dove si affaccia
il lato posteriore di ogni elemento ricevente).
148 CHAPTER 5. ESEMPIO DI IMPLEMENTAZIONE REALE
Il settore d’uso per praticità è stato definito a struttura conica, quindi carat-
terizzabile dalla sola apertura θ (come mostrato in figura 4.5): seguendo
la definizione, allora, è necessario far rispettare la condizione di applica-
bilità del sistema per qualsiasi angolo φ possibile.
Per poter affermare che qualsiasi DOA interna al settore d’uso sia valida,
si segue il solito approccio della ricerca del “caso peggiore” di funziona-
mento. Nel problema in esame, il caso di non funzionamento è provocato
dal superamento della distanza massima tra due antenne: in quest’ottica
il concetto di “caso peggiore” va associato alla determinata DOA per cui
si otterrà massima distanza tra due elementi generici dell’array (e ci si
avvicinerà alla condizione di limite).
Grazie alla simmetria conica del settore d’uso, la scelta del caso peggiore
si riconduce alla sola scelta di un parametro θmax entro cui far rientrare la
DOA di segnale.
5.3. DEFINIZIONE DEL SETTORE D’USO 151
Figure 5.12: Analisi del caso peggiore (a) scelta di phi (b) scelta di theta
SNR( D ) = D · SNR0
| Γ |0
|Γ|( D ) = (5.17)
D
con SNR0 , |Γ|0 pari ai parametri limite calcolati dalla 3.53 ponendo D=1.
| Γ |0
Solo moduli SNRmin = Dmin · SNR0 ≈ 114.91 |Γ|max = Dmin ≈ 0.012
| Γ |0
Moduli e fasi SNRmin = Dmin · SNR0 ≈ 42.56 |Γ|max = Dmin ≈ 0.034
Tanto per dare una idea, si confrontano gli SNR minimi richiesti:
SNRm 114.91
≈ ≈ 2.69 = 269%!!!!! (5.18)
SNRm f 42.56
σ · 180
π
◦
√ ≤ 0.14 ⇒ n ≥ 0.012 ⇒ n = 1 (5.19)
n
Caso 2: σ ≈ 46◦ n ≥ 33
Gli errori aleatori sono decisamente più insidiosi: essi possono essere
dovuti ad un errato funzionamento del sistema (o, comunque, alla pre-
senza di effetti imprevisti completamente indesiderati). Statisticamente,
essi possono indicare il grado di “convinzione” del sistema nel fornire un
determinato risultato: una bassa “convinzione” (e, quindi, una alta inci-
denza di errori aleatori) rende il sistema più sensibile alle minime vari-
azioni di scenario, lasciando quindi l’utente nell’impossibilità di capire
quando fidarsi dei responsi.
Nel confronto tra sistemi, quindi, porre innanzitutto attenzione ai parametri
statistici associati all’errore aleatorio: quasi a priori è possibile associare
il concetto di affidabilità ad una incidenza di errore aleatorio minore.
Quand’anche, tra le due implementazioni, l’implementazione in fase dovesse
presentare un maggiore errore sistematico, va sempre considerato che in
presenza di un errore aleatorio minore il responso comunque risulterebbe
più affidabile (nonchè più facilmente gestibile/correggibile).
Parametri associati agli effetti aleatori sono:
s
∑iN=1 (mi − m)2
scarto quadratico medio: σm =
N
q
scarto quadratico combinato: σ = σθ2 + σϕ2 (5.22)
Va annotato che non è stato possibile effettuare una verifica del miglio-
ramento di prestazioni con l’aumento di campioni di fase mediati: sono
state fatte alcune prove (con 1 campione, 3 campioni, 5 campioni e 7
campioni, ovvero valori di S21 corrispondenti a frequenze diverse), e il
risultato ottenuto è stato un miglioramento utilizzando fino a 6/7 campi-
oni: salendo oltre, si comincia a registrare un peggioramento progressivo.
La causa del comportamento anomalo (rispetto alle previsioni) è da ricer-
carsi nell’errore di utilizzare e mediare assieme valori di fase associati a
lunghezze d’onda distinte: finchè la variazione di frequenza si contiene
entro 2MHz dalla frequenza programmata (2.45GHz) le medie restitu-
iscono valori ancora coerenti con il pattern precalcolato in fase, mentre
salendo i valori variano troppo sensibilmente.
care che, con l’aumento del numero di campioni (fino alla quantità limite
con frequenze ammissibili), il parametro diminuisca in misura maggiore
rispetto all’equivalente dei rilevamenti in modulo puro.
Il comportamento si giustifica ipotizzando la presenza di un rumore di
fase elevato (purtroppo non caratterizzato nei dati iniziali): in presenza
di un numero di campioni adeguato (tutti corrispondenti a trasmissioni
alla stessa frequenza), sarebbe quindi possibile apprezzare una sensibile
diminuzione dei parametri di dispersione.
In questo contesto, quindi, vanno valutati parallelamente gli indici di er-
rore aleatorio e sistematico: in presenza di una maggiore accuratezza
(ovvero una minore distanza tra responso e posizione reale), è necessario
accettare per il metodo modulo e fasi scarti quadratici anche maggiori (in
misura contenuta) rispetto a quelli per la implementazione solo moduli,
a causa della presenza dell’errore di fase.
Si è giunti così alla fine della trattazione: nel complesso dovrebbe essere stata
fornita una panoramica sufficientemente approfondita sul funzionamento e la
gestione di sistemi di localizzazione basati su algoritmo MUSIC.
Naturalmente, nello svolgimento sono state effettuate alcune ipotesi semplifica-
tive soprattutto riguardo la natura fisica dei fenomeni di propagazione: in casi
reali comunque (come dimostrato anche dai risultati ottenuti sulle misure dagli
esperimenti) il comportamento effettivo del sistema di localizzazione ha seguito
abbastanza fedelmente il comportamento ipotizzato. Nonostante ciò, diversi as-
petti potrebbero comunque essere approfonditi ulteriormente: in tal caso spero
che questa tesi possa essere utile come base per futuri lavori più approfonditi.
Grazie dell’attenzione!
164 CHAPTER 5. ESEMPIO DI IMPLEMENTAZIONE REALE
14 assorbitori
14 assorbitori
17 assorbitori
17 assorbitori
10 assorbitori
10 assorbitori
17 assorbitori
17 assorbitori
5 assorbitori
5 assorbitori
10 assorbitori
10 assorbitori